前言

解決目標檢測任務中目標實例的尺度變化問題一般有兩種方法：

圖像金字塔（image pyramid），即對輸入圖像進行一系列的縮放，只在測試時被使用。這種方法會占用大量內(nèi)存并且計算很復雜；

特征金字塔（feature pyramid），訓練和測試時都可以使用。與圖像金字塔相比，它占用的內(nèi)存和計算開支都很少。

如下圖所示，有四種不同構(gòu)成方式的特征金字塔：

在SSD中，獨立地利用了主干網(wǎng)絡的最后兩層，和經(jīng)過步長為2的卷積得到的另外4個層來構(gòu)成特征金字塔。在STDN中，只用了DenseNet的最后一個dense塊，通過池化和尺度變換操作得到特征金字塔。在FPN中，通過top-down的通路和橫向連接將深層特征和淺層特征融合起來，得到特征金字塔。以上方法構(gòu)建的特征金字塔有以下兩個缺點：

• 金字塔中的特征圖對目標檢測任務來說不夠典型（表達能力不夠），它們只是簡單的從主干網(wǎng)絡的不同層中構(gòu)造，并且主干網(wǎng)絡是被設計進行目標分類任務的；
• 特征金字塔中的每個特征圖僅來自主干網(wǎng)絡中的單一層，只包含單層信息。

一般來說，深層的高級特征有助于分類，淺層的低級特征有助于目標位置的回歸。而且，低級特征適合于表征外觀簡單的目標，而高級特征適合于表觀外觀高級的目標。在實際中，如果兩個目標的尺度相同，但它們的外觀復雜度可能會不同。比如，紅綠燈和較遠處的行人的大小可能是一樣的，但明顯行人的外觀復雜度更高。因此，以上方法的檢測器的性能不佳主要是因為，特征金字塔中的特征圖只包含單極特征。

為了克服以上方法的缺點，本文提出了一種效率更高的特征金字塔結(jié)構(gòu)MLFPN（Multi-Level Feature Pyramid Network）,它包括三個模塊：FFM，TUM和SFAM。MLFPN的工作方式如下：

首先FFMv1將主干網(wǎng)絡提取的多級特征進行融合，作為base feature；

將base feature送入交替連接的TUM和FFM中，提取出更典型的多級多尺度特征。具體來說就是，每個TUM生成一組尺度不同的特征圖，FFMv2將base feature和前一個TUM生成的最大的特征圖融合起來，送入下一個TUM中，最終通過交替連接的TUM和FFMv2提取出多層級多尺度的特征。注意第一個TUM不包含任何其他TUM的信息；

最后SFAM將多組多尺度特征圖中相同尺度的特征圖組合起來，構(gòu)成最終的特征金字塔。從下圖可以看出，特征金字塔中的每一層都包括不同層級的特征圖。

為了評估MLFPN的效率，論文還設計了一個端到端的one-stage的目標檢測模型，稱為M2Det，它是通過將MLFPN整合進SSD的結(jié)構(gòu)得到的。主干網(wǎng)絡和MLFPN提取出輸入圖像的特征，然后和SSD一樣，生成密集的bbox和類別得分，最后通過NMS操作產(chǎn)生最終的預測結(jié)果。

---

MLFPN的結(jié)構(gòu)

MLFPN輸出的多層級多尺度特征圖可以被計算為：

其中$X_{base}$是base feature，$x_i^l$表示第$l$個TUM中第$i$種尺度的特征，$L$表示TUM的數(shù)量，$T_l$表示第$l$個TUM的處理過程，$F$表示FFMv1處理過程。

1. FFMs

FFMs將M2Det中不同層級的特征融合起來，為生成最終的多層級多尺度的特征圖做準備。在融合時需要用1x1的卷積對輸入特征的通道數(shù)進行壓縮。

如上圖所示，FFMv1的輸入是主干網(wǎng)絡中兩個不同尺度的特征圖，深層特征的大小為1024x20x20，淺層特征的大小為512x40x40。在融合時，需要對深層特征進行2x2的上采樣操作，將其變?yōu)?56x40x40，然后和淺層特征連結(jié)，生成768x40x40的base feature。

上圖是FFMv2的融合過程。FFMv2將base feature和前一個TUM生成的最大的特征圖連結(jié)起來，這兩個特征的尺度是一樣大的，都是40x40，因此不必再做上采樣。

2. TUMs

TUMs采用了更薄的U型結(jié)構(gòu)，如下圖所示：

其中encoder是一系列步長為2的3x3的卷積層，就是圖中上半部分的U型結(jié)構(gòu)。decoder將ecoder的輸出作為特征圖的參考，因為ecoder的輸出并不直接作為最終的特征圖，還要由decoder對它們進行處理。在上采樣和element-wise相加操作之后，在decoder分支（也就是圖中下半部分的6個卷積層）中添加1x1的卷積，以增強學習能力并保持特征的平滑度。每個TUM中的decoder的所有輸出構(gòu)成了當前層級的多尺度特征圖。如上圖所示，所有decoder的輸出構(gòu)成的是當前這個層級的多尺度特征圖。從整體來看，所有TUM的輸出共同構(gòu)成多尺度多層級的特征圖。其中，靠前的TUM提供的是淺層特征，中間的TUM提供的是中級特征，后面的TUM提供的是高級特征。

3. SFAM

SFAM將TUM生成的多層級多尺度特征圖聚合成一個多層級特征金字塔，如下圖所示：

首先first stage沿著通道維度將相同尺度的特征圖進行連結(jié)，這樣多層級金字塔中的每個尺度都包含了多個層級的特征。在second stage，借用SE bolck，引入channel-wise attention module，以更好的捕捉有用的特征。在最終得到的多層級特征金字塔中，每一層都包含不同層級的特征圖，也就是multi-level。TUM數(shù)量為8，每個TUM輸出6個不同尺度的特征圖，因此最終生成的多層級特征金字塔共有6層，每層包括8個不同層級的特征圖。

---

網(wǎng)絡的訓練

預訓練
在ImageNet 2012數(shù)據(jù)集中先對主干網(wǎng)絡進行預訓練。MLFPN的默認配置包括8個TUM，每個TUM有5個卷積層和5次上采樣操作。為了減少參數(shù)的數(shù)量，TUM生成的不同尺度的特征圖的通道數(shù)被設置為256。輸入圖像的大小為320，512和800。

訓練檢測器
在多層級特征金字塔的每一層（共有6層）添加兩個卷積層，分別進行回歸和分類操作。在每一層的每個像素上設置6個anchor，有3種長寬比。之后以0.05的閾值過濾掉大多數(shù)得分較低的anchor。然后用soft-NMS得到更多更精確的box。

---

實驗部分

總結(jié)

以上是生活随笔為你收集整理的M2Det 论文笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。